数据挖掘入门_泰坦尼克号存活预测之数据清洗(含数据)【一】

数据下载链接

链接：https://www.kaggle.com/c/titanic/data
或者去网盘下载：
链接: https://pan.baidu.com/s/174qUpR2PDsrXrVOSenBUEA 提取码: qw67

背景

1921年4月15日，泰坦尼克号与冰山相撞，2224 名乘客和船员中有1502人丧生，虽然在沉船中幸存下来有一些运气因素，但是运气因素之外，是否还有其他因素呢？

理解问题

• 目的：预测泰坦尼克号上的游客能否存活
• 问题类型：只有幸存和遇难两个结果，所以是二元分类问题
• 衡量标准：准确度（accuracy）

观察数据

这一步主要是要了解数据的概况：数据的维度、属性的名称、属性的类型、缺失值情况等。

#加载库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#加载文件，注意：路径名称如果有中文，加上参数engine = 'python'
train_df = pd.read_csv('train.csv', engine = 'python')
train_df.head(3)
#查看数据的维度
print('===数据维度：{:}行{:}列===\n'.format(train_df.shape[0],train_df.shape[1]))
#查看每列的名称、含义、数据类型
print('===各列数据类型如下：===')
train_df.info()
#查看各列的缺失值情况
print('\n===各列的缺失值情况如下：===')
train_df.isnull().sum()

数据预览如下

数据基本情况如下
可以看到，共有891个观测值，12个属性，其中，Age属性缺失177个值，Cabin属性缺失687个值，Embarked缺失两个值

• 分类变量有PassengerId,Pclass,Name,Embarked等
• 数值变量有Age、Fare等
  各个变量的含义：
• PassengerId